L'API Gemini offre modelli di incorporamento per generare incorporamenti per testo, immagini, video e altri contenuti. Questi embedding risultanti possono essere utilizzati per attività come la ricerca semantica, la classificazione e il clustering, fornendo risultati più accurati e sensibili al contesto rispetto agli approcci basati su parole chiave.
L'ultimo modello, gemini-embedding-2, è il primo modello di incorporamento multimodale nell'API Gemini. Mappa testo, immagini,
video, audio e documenti in uno spazio di embedding unificato, consentendo la ricerca,
la classificazione e il clustering cross-modali in oltre 100 lingue. Per saperne di più, consulta la
sezione sugli incorporamenti multimodali. Per i casi d'uso
solo testo, gemini-embedding-001 rimane disponibile.
La creazione di sistemi di Retrieval Augmented Generation (RAG) è un caso d'uso comune per i prodotti AI. Gli incorporamenti svolgono un ruolo chiave nel migliorare significativamente gli output del modello con una maggiore accuratezza, coerenza e ricchezza contestuale. Se preferisci utilizzare una soluzione RAG gestita, abbiamo creato lo strumento Ricerca file, che rende la RAG più facile da gestire e più conveniente.
Generazione degli incorporamenti in corso…
Utilizza il metodo embedContent per generare incorporamenti di testo:
Python
from google import genai
client = genai.Client()
result = client.models.embed_content(
model="gemini-embedding-2",
contents="What is the meaning of life?"
)
print(result.embeddings)
JavaScript